通过塑造潜空间实现自编码器图像插值
机器学习
2020-10-23 v2 机器学习
摘要
自编码器代表了一种计算方法，用于求得刻画不同类型数据集的潜在因子。自编码器的潜表示已在通过解码潜向量的凸组合来实现数据点间插值的研究中被探讨。然而，这种插值常导致伪影或在重建时产生不真实的结果。我们认为这些不一致源于潜空间的结构，以及此类朴素插值的潜向量偏离了数据流形。在本文中，我们提出一种正则化技术，将潜表示塑造为遵循与训练图像一致的流形，并驱动该流形平滑且局部凸。正如我们在此所示，这种正则化不仅实现了数据点间的忠实插值，还可作为一种通用正则化技术以避免过拟合或生成新样本用于数据增强。
引用
@article{arxiv.2008.01487,
title = {Autoencoder Image Interpolation by Shaping the Latent Space},
author = {Alon Oring and Zohar Yakhini and Yacov Hel-Or},
journal= {arXiv preprint arXiv:2008.01487},
year = {2020}
}
备注
Submitted Sept 2020